说话人识别是语音识别的一种特殊形式，就是从说话人的一段语音中提取 出说话人的个性特征，通过对这些个性特征的分析和识别，从而达到对说话人 进行辨认或确认的目的。在说话人识别的研究过程中，人们逐渐发现鲁棒性是 说话人识别中的重要问题。影响说话人识别系统鲁棒性的主要因素有训练和识 别时声学环境的差异、环境噪声。 当训练和识别时声学环境不相匹配时，本文通过混响室内生成的声脉冲进 行数学变换的方式来构造不同混响时间的虚拟声脉冲。再通过虚拟声脉冲与声 源“干”信号进行卷积运算，就可以得到不同混响时间的语音信号。这样可以 选择一个与训练环境相匹配的识别的环境，从而使训练环境和识别环境相匹配， 提高系统的识别性能。 在噪声环境下，本文利用基于听觉掩蔽效应的语音增强技术，对含噪语音 信号进行降噪处理，这是对减谱法的一个改进，这样不仅能降低白噪声，还可 以降低减谱法中残留的音乐噪声，使音乐噪声给听觉上带来的不适得以降低。 经过降噪处理的语音信号送入说话人识别系统，使系统的识别性能得到提高。 高斯混合模型(GMM)方法是目前在文本无关的说话人识别中广泛应用的 方法，实验中分别提取LPCC参数和MFCC参数利用VC++建立一个基于GMM 的说话人识别系统，并且分析了在特征参数LPCC、MFCC下系统的识别性能。 由实验结果得出：MFCC的识别性能优于LPCC；对噪声环境下、训练和识别时 声学环境不相匹配的情况下，采用不同的声学预处理方法，提高了系统的鲁棒 性。 关键词：说话人识别，GMM，特征提取，掩蔽阈值，语音增强，鲁棒性